简化的分类微粒群算法及其在风电场建模中的应用

提出一种简化的分类微粒群算法.首先将微粒按适应值的差异划分成较好、普通和较差3类;然后对这3类微粒分别采用3种对应的没有速度项的简化模型进行动态制整,有效地增加了种群的多样性.通过对4种典型测试函数的仿真实验,并与经典PSO和2个目前较为流行的改进PSO进行比较,实验结果表明了所提出的改进算法具有更好的优化性能.将改进算法用于风电场风速概率模型优化的实验结果表明,与传统最小二乘法相比,该方法拟合的Weibull参数精度更高,更具实际参考价值.     

微粒群优化算法

介绍了微粒群优化（PSO）算法的原理、算法流程、算法参数及其对算法性能的影响．讨论了各种改进的PSO算法．分析了多相微粒群优化算法（MPPSO）的原理、算法方程、算法参数及其对算法性能的影响．最后归纳了PSO算法的应用概况，并就PSO算法进一步的研究工作进行了探讨和展望．     

改进型文化粒子群在图像配准中的应用

设计了一种用于图像配准的优化算法.根据图像灰度和空间结构信息,构造一个基于最大化互信息的配准测度函数,结合一种适用于图像自动配准的文化粒子群优化(CIPSO)算法.新的配准算法在搜索空间上进行优化设置,将整个搜索空间分成群体空间、信念空间两组.群体空间的粒子不仅根据自己空间的个体最优和全局最优来优化自己,还与信念空间中的最优个体进行交互学习,加速粒子群的收敛速度,克服了图像配准中计算量过大、搜索速度慢等问题.实验表明,与现有的PSO配准算法相比,提出的算法具有较好的鲁棒性和配准精确率.     

一种广义微粒群算法模型

在对标准微粒群算法模型及其机理进行分析的基础上,提出了一种广义微粒群算法模型(Generalized Particle Swarm Optimization,GPSO).该模型的微粒进化方程具有满足一定条件的抽象形式.文中给出了几种微粒进化方程的具体形式,并通过典型测试函数的仿真计算说明了GPSO的正确性和有效性.     

应用改进型微粒群算法优化语言模型

语言模型具有很好的可理解性特征，但在多数情况下，其精确性是难满足要求的．本文利用改进型微粒群算法（MPSO）优化输入变量的语言值及对应的正交模糊集参数，再应用Wang方法以形成语言模型，在保持可理解性情况下，获得较精确的语言模型．改进型微粒群算法采用惯性权重自适应动态调整策略，结果显示该改进算法在语言模型过程中更容易获得全局最优解，学习效率和优化性能明显提高．     

多阶段多模型的改进微粒群优化算法

针对微粒群优化算法在解决复杂优化问题时易于出现早熟收敛现象,提出了一种多阶段多模型的改进微粒群优化算法。考虑寻优不同阶段的开发与探测能力需求的差异,算法将寻优过程分成3个阶段,各阶段采用不同的模型进行进化。第一阶段利用标准微粒群优化算法发现局部极值的邻域;第二阶段利用Cognition Only模型快速找到局部极值点,提高寻优效率;第三阶段,提出了一种改进的进化模型,利于粒子快速跳出局部极值点,寻找到全局最优点。4种复杂测试函数的实验结果表明：该算法比标准微粒群优化算法（PSO）和基于不同进化模型的两群优化算法（TSE-PSO）更容易找到全局最优解,相比两群微粒群优化算法,还能在一定程度上提高优化效率。     

基于文化微粒群算法的丙烯腈收率软测量模型

丙烯腈收率是丙烯腈装置的关键指标,如何得到丙烯腈收率是厂家很关注的研究,将新型优化算法用于丙烯腈收率软测量建模是1种较好的尝试。将新型微粒群优化算法用于同样新型的文化算法种群空间的优化,设计文化微粒群优化算法。它由种群空间和信念空间2部分组成,在种群空间和信念空间分别采用各自算法并行演化,同时,2个空间又根据一定的协议相互联系。分别将该算法和基本微粒群算法用于一些常用测试函数的优化问题;结果表明,与基本微粒群算法相比,文化微粒群算法加强了全局搜索能力,更容易收敛于全局最优解。最后将文化微粒群优化算法用于优化神经网络,构成文化微粒群神经网络,并将其应用于丙烯腈收率软测量建模。结果表明,此模型精度高,应用前景广阔。     

微粒群算法在传感器优化配置中的应用

为了将动态测试中的传感器配置在合理的自由度,以便充分反映结构的动力特性,需对传感器进行优化配置.分别以MAC矩阵、Fisher信息阵,及其组合为优化准则,采用微粒群算法,对传感器优化配置问题进行了研究,探讨了优化准则和优化算法对传感器优化配置结果的影响.通过与模态动能法、有效独立法及基于QR分解的逐步累积法比较,传感器优化配置的结果表明微粒群算法优于上述方法.     

微粒群优化算法在传感器非线性自校正中的应用

微粒群优化(PSO)算法是一种进化算法,包含的概念简单。介绍了不同于传统的传感器非线性校正方法,将PSO算法应用于传感器非线性校正的参数估计,并通过电涡流微位移传感器非线性校正进行PSO算法效果测试。实验研究表明:PSO算法简单、得到的传感器非线性校正曲线精度高。PSO算法为传感器的非线性校正提供了一种新方法。     

微粒群算法原理及改进算法在土木工程中应用

微粒群算法（Particle swarm optimization,PSO）模拟鸟群捕食的过程,用于寻找空间中的最优解。对PSO算法的基本原理进行了介绍,对一些改进的PSO算法进行了总结,阐述了PSO算法在土木工程结构损伤检测中的应用。     

一种改进的均值粒子群算法

为了解决粒子群算法存在“早熟”现象和收敛速度慢的问题,本文提出一种改进的均值粒子群算法. 该算法采用非线性惯性权重,同时在每个迭代步,将粒子历史最优和种群全局最优取均值再乘以一个非线性权重的方法,以提高算法的全局搜索能力和收敛速度. 通过4个标准函数的测试,实验结果表明该算法的有效性.     

一种随机粒子群算法及应用

为提高粒子群算法的优化效率,在分析量子粒子群优化算法的基础上,提出了一种随机粒子群优化算法。该算法只有一个控制参数,搜索步长由一个随机变量的取值动态决定,通过合理设计控制参数的取值,实现对目标位置的跟踪。标准测试函数极值优化和聚类优化的实验结果表明,与量子粒子群和普通粒子群算法相比,该算法在优化能力和优化效率两方面都有改进。     

一种动态调整惯性权值的粒子群算法

粒子群算法针对速度变量的调节不够精确,算法在迭代过程中容易陷入局部最优,函数目标值的精度比较低。为了得到更加精准的目标值,提出一种改进的粒子群算法,对粒子群算法的惯性权值参数进行动态调整。算法将惯性权值参数设置为由粒子位置、个体最优位置和全局最优位置影响的可变参数组,通过各个位置之间的距离来控制参数的改变。该改进粒子群算法针对每一个粒子的每一维度都设计其对应的惯性权值参数。该改进算法经过和其它算法进行比较测试,结果显示改进的算法得到的解值更加精准。     

一种单个粒子自适应修正的粒子群算法

在各类优化问题的解决过程中,群智能优化算法的局部搜索与全局搜索性能都起着重要的作用。在粒子群优化算法中,惯性权值的引入对粒子群算法的收敛性与稳定性都具有一定的影响。因此,在分析现有权值递减策略的基础上,提出一种基于单个粒子适应值的权值修正策略,区别对待同次迭代中适应值好与差的粒子,通过不同的权值赋值策略,以充分发挥各粒子的优势,以增强全局搜索和跳出局部最优的能力。通过对标准测试函数所做的对比实验,该策略可以使粒子在搜索初期获得更好的多样性,使粒子具有更强的摆脱陷入局部极值点的能力;在搜索末期可以加快粒子收敛速度以提高粒子群优化算法的快速性能。改进算法有效减少了早熟的发生,提高了粒子的收敛性能,取得了比较满意的仿真结果。     

粒子群优化算法中惯性权值调整的一种新策略

惯性权值的设置对粒子群优化（PSO）算法的性能起着关键作用,现有的基于惯性权值的改进算法提高了算法的性能,但都把惯性权值作为全局参数,很难控制算法的搜索能力。本文在充分分析惯性权值的关键作用基础上给出一种新的惯性权值调整策略及其相应的粒子群优化算法,使用不同的惯性权值更新同一代种群。测试结果表明,新算法提高了算算法的性能,并具有更快的收敛速度和跳出局部最优的能力。     

微粒群算法的发展及应用

介绍了1995年以来微粒群算法的开发过程,分析了算法原理、算法流程,并将微粒群算法与其他演化算法进行了比较,最后介绍了一些已经开发和在将来有希望的领域中的应用。     

粒子群优化算法研究

粒子群优化算法是根据鸟群觅食过程中的迁徙和群集模型而提出的,用于解决优化问题的一类新兴的随机优化算法。本文首先介绍PSO算法的基本原理和工作机制;然后介绍粒子群优化算法的优化策略,包括提高收敛速度﹑算法离散化﹑提高总群多样性;最后对其将来的发展进行了展望。     

带变异算子的非线性惯性权重PSO算法

为了克服粒子群优化算法容易陷入局部最优、早熟收敛的缺点,提出了一种带有变异算子的非线性惯性权重粒子群优化算法。该算法以粒子群算法为基础,首先采用非线性递减策略对惯性权重进行调整,平衡粒子群优化算法的全局和局部搜索能力。当出现早熟收敛时,再引入变异算子,对群体粒子的最优解做随机扰动提高算法跳出局部极值的能力。用三种经典测试函数进行测试,试验结果表明,改进算法与粒子群算法相比,能够摆脱局部最优,得到全局最优解,同时具有较高的收敛精度和较快的收敛速度。     

粒子群算法在PERT网络优化问题中的应用

针对项目工程PERT网络计划的费用一优化问题,本文提出了一种改进的粒子群算法。该算法引入了可行性优先的约束处理技术,不需要罚因子,对问题依赖小。仿真实验表明了该算法的可行性和有效性。     

基于改进粒子群算法的烧结配料预测模型

针对烧结配料系统中的非线性、复杂性和相关性,基于BP神经网络建立烧结配料的预测模型,并采用粒子群算法对预测模型参数进行优化.为了克服粒子群算法的局部收敛性,在迭代过程中,根据迭代次数对惯性权重进行动态非线性调整,从而提高算法的搜索能力.仿真结果表明,所提出的改进粒子群算法与传统的粒子群算法比较,收敛速度快、迭代次数少、...